自然语言处理（NLP）：18 基于规则医药领域知识图谱

最新推荐文章于 2024-07-24 08:46:20 发布
最新推荐文章于 2024-07-24 08:46:20 发布
阅读量2.3k 收藏 15
点赞数 3
分类专栏： 自然语言处理 文章标签： 知识图谱
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shenfuli/article/details/106558806
版权
本文介绍了如何使用规则方法快速搭建医药领域的知识图谱，涉及数据爬取、非关系型数据库存储、实体抽取和实体关系抽取等步骤，提供了ACTree与模型BiLSTM_CRF或BERT_CRF的实体抽取方案，以及基于关键词规则和模型分类的实体关系抽取方法。参考了开源项目https://github.com/liuhuanyong/QASystemOnMedicalKG/。
摘要由CSDN通过智能技术生成

本文为了快速搭建一个垂直领域的知识图谱，实体抽取+实体关系暂采用规则处理，这里仅仅提供一种创建知识图谱的一种思路。后续给大家分享基于模型的知识图谱的问答。
作者： 走在前方

主要 讨论内容

  • 数据来源，通过crawer系统获取数据，并存储到非关系型数据库
  • 知识图谱实体，实体-实体关系，实体属性schema设计
  • 实体抽取：规则ACTree 完成+模型BiLSTM_CRF 或者BERT_CRF 实现
  • 实体关系抽取：基于关键词规则+模型分类

图片

图片

图片

了解本专栏 订阅专栏 解锁全文 超级会员免费看
艾文教编程
关注
专栏目录
订阅专栏
医疗知识图谱构建与应用
11-06
医疗知识图谱的框架与构建过程，以及构建的应用示例介绍
医药知识图谱
DecafTea的博客
03-31 644
问答系统：
自然语言处理（NLP）
最新发布
hai40587的博客
07-24 1869
在NLP中，常见的任务包括但不限于文本分类、分词、词性标注、命名实体识别、情感分析、机器翻译、问答系统和语音识别等。这些任务各有其独特的应用场景和挑战，同时也对应着不同的算法和技术。自然语言处理（NLP）领域涵盖了众多复杂而有趣的任务，每个任务都对应着不同的算法和技术。从基础的文本分类、分词、词性标注，到高级的命名实体识别、情感分析、机器翻译、问答系统和语音识别等，NLP技术正在不断发展和完善，为人类带来更加智能、便捷的信息处理体验。
知识图谱-基于规则-知识抽取简介
Pinker_Q
01-06 4918
摘自徐阿衡，加入一些理解和注释 介绍 知识抽取涉及的“知识”通常是 清楚的、事实性的信息，这些信息来自不同的来源和结构，而对不同数据源进行的知识抽取的方法各有不同，从结构化数据中获取知识用 D2R，其难点在于复杂表数据的处理，包括嵌套表、多列、外键关联等，从链接数据中获取知识用图映射，难点在于数据对齐，从半结构化数据中获取知识用包装器，难点在于 wrapper 的自动生成、更新和维护，这一篇主要讲...
论文浅尝 | AAAI2020 - 基于规则的知识图谱组合表征学习
开放知识图谱
05-01 2745
论文笔记整理：康矫健，浙江大学计算机科学与技术系，硕士研究生。 论文链接：https://arxiv.org/pdf/1911.08935.pdf发表会议：AA...
基于规则指导的知识图谱推理协作代理学习（2019）7.27+7.28+7.29
RM_Jin的博客
07-27 1093
基于行走模型是通过在提供可解释决策的同时实现良好的性能，在知识图（KG）推理中显示了其优势。然而，KG在行走过程中提供的稀疏信号通常不足以指导复杂的基于行走的强化学习（Reinforcement learning RL）模型。行走（walk）模型是一种用于学习图形嵌入（graph embedding）的方法，图形嵌入是将图形中的节点映射到低维向量空间中的过程。走路模型通过模拟在图形中“走路”来学习节点之间的关系，从而为每个节点分配一个嵌入向量。
工程实践：基于规则模式的军事和医药领域知识图谱问答快速实现
lhy2014的博客
10-02 3084
知识结构化问答是知识图谱的一个重要的应用方向，虽然现在许多真实的使用体验上，会被评价为“鸡肋且智障”，并且在落地上还没有太多的付费场景，但也不乏有不少学生、公司、机构在尝试花时间去做这个事情。当前，医疗知识图谱QAonMilitaryKG，成为了不少朋友都会参考的一个问答快速实现demo的案例，网上也有不少的复现和踩坑记录总结。本文则围绕着医疗知识图谱QAonMilitaryKG和军事武器知识图谱问答两个项目进行简要介绍，希望可以作为大家的一个指引。 一、军事武器知识图谱构建与自动问答项目QAonMilit
基于多源异构数据的中医药知识图谱构建与应用研究+人工智能+知识图谱+预训练模型
01-18
总结来说，基于多源异构数据的中医药知识图谱构建与应用研究，通过整合多种数据源，利用深度学习和自然语言处理技术，构建了一个丰富的知识库，不仅支持对中药处方的优化分析，也为中医药的创新研究提供了有力的数据...
总结：知识图谱KG+大模型LLM
安静的软件工程师
01-20 3052
知识图谱KG+大模型LLM
AI大语言模型和知识图谱融合在医药领域应用详细技术方案设计
程序员光剑
04-26 425
AI大语言模型和知识图谱融合在医药领域应用详细技术方案设计 1.背景介绍 1.1 医药领域的重要性和挑战 医药领域关乎人类健康和生命安全,是一个极其重要且高度专业化的领域。随着人口老龄化和新兴疾病的不断增加,
Python+Neo4j医药知识图谱自动问答系统源码
02-27
Python+Neo4j医药知识图谱自动问答系统源码，知识图谱构建，自动问答，基于kg的自动问答。以疾病为中心的一定规模医药领域知识图谱，并以该知识图谱完成自动问答与分析服务。
cs224n:NLP视频中文字幕18集全集
11-30
包含全套的CS224n 斯坦福深度自然语言处理课 Christopher Manning/ Richard Socher 领衔主讲
从知识图谱到事理图谱
11-27
哈工大刘挺教授关于事理图谱的报告ppt。刘挺教授是事理图谱的先驱，最先构建了金融领域事理图谱，刘教授无疑是这个领域最有发言权的人之一。相信相关从业人员一定会从中受益匪浅。
知识图谱学习笔记 02 基于医疗知识图谱的问答系统操作介绍
ritatype的博客
01-12 897
知识图谱学习笔记 02 基于医疗知识图谱的问答系统操作介绍 运行环境： python3.0及以上 neo4j 3.5.0及以上 jdk 1.8.0 1 搭建知识图谱 安装好neo4j 和 jdk后，运行以下命令： python3 build_graph.py 注：由于数据量比较大，所以该过程需要运行几个小时 导入的数据的知识图谱如下： 2 启动问答测试 运行以下命令： python kbqa_test.py 运行结果如下图所示： ...
基于逻辑规则的图谱推理
DataFun_Hoh的博客
05-02 2770
导读： 近年来，知识图谱在众多行业场景被大量应用，例如推荐、医疗。为了构造尽可能完备的图谱，知识图谱的推理工作也成为学术届和工业界的一个重要研究课题。来自Mila人工智能实验室的瞿锰博士，给大家分享了他们在图谱推理任务方向的一个研究：基于逻辑规则的图谱推理（RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs），研究结果显示RNNLogic可以很好地兼顾图谱推理任务的模型效果和可解释性的问题。 本文将围绕以下几点展开： 图谱和..
机器学习项目（六）医疗知识图谱构建（一）
qq_33357094的博客
05-14 1787
NLP中的两大流派 知识图谱 用三元组来表示知识：对领域的特定知识进行结构化存储和表示 模型算法：利用图谱关系进行推导，进行实现自主学习 深度学习 利用机器提取的特征来表述数据：自动提取内在特征 模型算法：优化特征的权重进行非线性映射 深度学习对比知识图谱能够实现端到端的模型，中间减少人为的参与，知识图谱通过三元组的关系表示，可以最大限度的获得自然世界中的相互联系 发展方向 Pretrain+finetune 预训练：大语料、无监督、深模型获得语义表示 微调：在下游任务中添加具体语义信息实现任务 强化学习
知识图谱（知识图谱构建）
BUPT-WT的博客
10-03 6688
大纲： 1、基于非结构话数据的知识抽取 2、基于结构化数据的知识抽取 3、知识融合与质量评估 基于非结构化数据的知识抽取(比重比较大) lstm学习特征输入crf生成更复杂的特征 关系抽取抽取的是两个实体之间满足的什么关系 事件抽取更泛化一些，多个实体，多个关系 不同事件抽取内容参数要求不同 不同事件有...
中文医疗NLP榜单-CBLUE介绍
qq_40309616的博客
11-19 1780
最近发现了一个医疗行业的数据集任务榜单：中文医疗信息处理挑战榜，本着利己利他的原则简单记录下这个数据集榜单，方便后续学习使用。 从名字来看，CBLUE又是一个*LUE榜单，大家都知道近年来NLP领域随着预训练语言模型（下面简称PTLM）的兴起又迎来了一波迅猛发展，得益于PTLM技术的推动，催生出一批多任务的benchmark榜单，代表性的工作是GLUE，在中文领域也有CLUE。CBLUE的全名是Chinese Biomedical Language Understanding Evaluation，是目.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

艾文教编程

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值